# Sådan vælges data fra pandas DataFrames med loc\[\]

I Python pandas- biblioteket er `DataFrame.loc[]` en egenskab, der giver dig mulighed for at vælge data fra en DataFrame ved hjælp af etiketter. Dette gør det nemt at udtrække bestemte rækker og kolonner fra en DataFrame.

## Hvad er syntaksen for pandas `loc[]`?

Syntaksen for `loc[]` er ganske enkel. Alt du skal gøre er at indtaste **etiketterne for de kolonner og rækker**, du vil vælge, som en parameter:

```python
DataFrame.loc[selection]
```

Med pandas `loc[]` foretages valg primært ved hjælp af labels. Det betyder, at den parameter, du angiver, kan være en **enkelt label, en liste eller en række labels**. Boolean-arrays kan også bruges.

## Hvad er forskellen mellem `loc[]` og `iloc[]`?

Mens pandas `DataFrame.loc[]` vælger data baseret på etiketter, vælger [DataFrame.iloc](https://www.ionos.com/da-dk/digitalguide/websteder/webudvikling/python-pandas-dataframe-iloc/) data baseret på heltalbaserede positioner. Her er et kodeeksempel, der illustrerer forskellene. Først opretter vi en [pandas DataFrame](https://www.ionos.com/da-dk/digitalguide/websteder/webudvikling/python-pandas-dataframe/):

```python
import pandas as pd
# Example DataFrame
data = {'Name': ['Alyssa', 'Brandon', 'Carmen'], 'Age': [23, 35, 30]}
df = pd.DataFrame(data)
print(df)
```

Sådan ser DataFrame ud:

```none
Name    Age
0   Alyssa     	23
1 	Brandon     35
2  	Carmen     	30
```

For at udtrække ‘Alyssa’ fra DataFrame kan du bruge både pandas `loc[]` og `iloc[]`. Selvom fremgangsmåden er forskellig, er resultatet det samme:

```python
# Using loc and labels to extract Alyssa
print(df.loc[0, 'Name'])  # Output: 'Alyssa'
# Using iloc and integers to extract Alysa
print(df.iloc[0, 0])  # Output: 'Alyssa'
```

## Sådan bruges pandas `DataFrame.loc[]`

Pandas `loc[]` hjælper dig med **at udtrække delmængder af din DataFrame**. Med `loc[]` kan du udtrække en enkelt række eller kolonne, flere rækker og kolonner eller endda anvende betingelser til filtrering. Denne fleksibilitet gør det velegnet til en række forskellige anvendelsestilfælde.

### Valg af en enkelt række

Lad os se på et eksempel med DataFrame:

```python
import pandas as pd
data = {
    'Name': ['Alyssa', 'Brandon', 'Carmen'],
    'Age': [23, 35, 30],
    'City': ['Sheffield', 'Glasgow', 'Belfast']
}
df = pd.DataFrame(data)
print(df)
```

Sådan ser den resulterende DataFrame ud:

```none
Name  	Age      City
0   Alyssa  23	 	Sheffield
1 Brandon  	35    Glasgow
2 Carmen    30    Belfast
```

For at vælge data fra den række, der indeholder oplysninger om Brandon (indeks 1), kan du bruge pandas `loc[]`:

```python
brandon_data = df.loc[1]
print(brandon_data)
```

Her er resultatet:

```none
Name         Brandon
Age              35
City        	Glasgow
Name: 1, dtype: object
```

### Valg af flere kolonner

Du kan også bruge `DataFrame.loc[]` til at vælge en delmængde af kolonner. Følgende kode vælger kolonnerne ‘Navn’ og ‘By’:

```python
name_city = df.loc[:, ['Name', 'City']]
print(name_city)
```

Resultatet er en delmængde af den oprindelige DataFrame:

```none
Name     City
0   Alyssa  Sheffield
1 Brandon   Glasgow
2  Carmen   Belfast
```

### Valg af rækker baseret på betingelser

Med pandas `loc[]` kan du også vælge rækker, der opfylder bestemte kriterier. Det kan du gøre med boolske sammenligningsoperatorer. Her er et eksempel på, hvordan du filtrerer alle personer, der er ældre end 25 år:

```python
older_than_25 = df.loc[df['Age'] > 25]
print(older_than_25)
```

Ovenstående kode genererer en DataFrame, der kun indeholder data for personer i DataFrame, der er ældre end 25 år:

```none
Name  	Age     City
1 Brandon     35   Glasgow
2  Carmen     30   Belfast
```


This is a markdown version of: [https://www.ionos.com/da-dk/digitalguide/websteder/webudvikling/python-pandas-dataframe-loc/](https://www.ionos.com/da-dk/digitalguide/websteder/webudvikling/python-pandas-dataframe-loc/) for AI/LLM consumption.